重构: load_sft_dataset 改吃散装参数（磨平接口回看记录的毛刺）

深模块修正：本函数只用 5 个字段，却索要整个 SFTConfig——层 1 无痛，但诊断脚本
被迫伪造 output_dir（4 处 /tmp/diag、outputs/_unused），层 2 更因 DistillConfig
无 teacher_completions_path 而无法复用。改收 dataset_path/split/subset_size/seed/
teacher_completions_path 五个散装参数（接口终于比实现轻）。

- data.py: 签名改散装参数；移除 TYPE_CHECKING 的 SFTConfig 依赖
- train_sft / diag_loss_probe / diag_collator: 仍持 SFTConfig（喂 collator），改调用点
- diag_generate / generate_teacher_completions: 只为 load 而造 config，直接丢弃、
  去掉伪造 output_dir，改传字面量
- 为 U5 层 2 训练脚本能直接 load_sft_dataset(distill_cfg 的字段) 铺路

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

scripts/diag_generate.py

@@ -7,19 +7,14 @@
 import torch
 from transformers import AutoModelForCausalLM, AutoTokenizer
 
-from ars_opd.configs import SFTConfig
 from ars_opd.data import load_sft_dataset
 
 MODEL_DIR = "/data/zym/outputs/sft_qwen3-0.6b_dapo1k"  # 正式 1 epoch 的产物
 
-cfg = SFTConfig(
-    dataset_path="data/dapo-math-17k-unique.parquet",
-    output_dir="/tmp/diag",
-    subset_size=1000,
-    seed=42,
-    # 不挂 teacher 解答：只取题目做推理输入
+# 不挂 teacher 解答（teacher_completions_path 缺省）：只取题目做推理输入
+ds = load_sft_dataset(
+    "data/dapo-math-17k-unique.parquet", subset_size=1000, seed=42
 )
-ds = load_sft_dataset(cfg)
 
 tok = AutoTokenizer.from_pretrained(MODEL_DIR)
 model = AutoModelForCausalLM.from_pretrained(MODEL_DIR, dtype=torch.float32)